数据可视化何其多，除了Tableau，ECharts，Matplotlib也是神器之一，将枯燥无味的数据形象直观地展示出来，是很有成就感的事情。Matplotlib作为数据科学的的必备库，算得上是python可视化领域的元老，更是很多高级可视化库的底层基础，其重要性不言而喻。本文主要学习的是matplotlib.pyplot的可视化应用

一、数据可视化类型

---

二、相关函数简介

matplotlib.pyplot是一个命令型函数集合，它可以让人们像使用MATLAB一样使用matplotlib。在matplotlib.pyplot库中有plt子库，该子库提供了7个用于读取和显示的函数，17个用于绘制基础图表的函数、3个区域填充函数、9个坐标轴设置函数以及11个标签与文本设置函数，具体如下表1-1~1-5所示：

表1-1 plt库中的读取和显示函数

函数名称	函数作用
plt.legend( )	在绘图区域放置绘图标签
plt.show( )	显示绘制的图像
plt.matshow( )	在窗口中显示数组矩阵
plt.imshow( )	在axes上显示图像
plt.imsave( )	保存数组为图像
plt.savefig( )	设置图像保存的格式
plt.imread( )	从图像文件中读取数组

表1-2 plt库中的基础图表函数

函数名称 函数作用
plt. plot(x,y,label,color,width)	根据(x,y)数组绘制直、曲线
plt. box(data,notch,position)	绘制一个箱型图
plt. bar(left,height,width,bottom)	绘制一个条形图
plt. barh(bottom,width,height,left)	绘制一个横向条形图
plt. polar(theta,r)	绘制极坐标图
plt. pie(data,exxplode)	绘制饼图
plt. psd(x,NFFT=256,pad_to,F)	绘制功率谱密度图
plt. specgram(x,NFFT=256,Fs)	绘制谱图
plt. cohere(x,y,NFFT=256,Fs)	绘制X-Y的相关性函数
plt. scatter( )	绘制散点图
plt. step(x,y,where)	绘制步阶图
plt. hist(x,bins,normed)	绘制直方图
plt. contour(X,Y,Z,N)	绘制等值线
plt. clines( )	就只垂直线
plt. stem(x,y,linefmt,markerfmt,basefmt)	绘制曲线中每个点到水平轴线的垂线
plt. plot_date( )	绘制数据日期
plt. plotfile( )	绘制数据后写入文件

表1-3 区域填充函数

函数名称	函数作用
fill(x,y,c,color)	填充多边形
fill_between(x,y1,y2,where,color)	填充曲线围成的多边形
fill_betweenx(y,x1,x2,where,hold)	填充水平线之间的区域

表1-4 坐标轴设置函数

函数名称	函数作用
plt. axis( )	获取设置轴属性的快捷键
plt. xlim( )	设置X轴的取值范围
plt. ylim( )	设置Y轴的取值范围
plt. xscale( )	设置X轴缩放
plt. yscale( )	设置Y轴缩放
plt. autoscale( )	自动缩放轴视图
plt. text( )	为axes图添加注释
plt. thetagrids( )	设置极坐标网络
plt. grid( )	网格显示

表1-5 标签与文本设置函数

函数名称	函数作用
plt. figlegend( )	为全局绘图区域放置图注
plt. xlabel( )	设置当前X轴的文字
plt. ylabel( )	设置当前Y轴的文字
plt. xticks( )	设置当前X轴刻度位置的文字和值
plt. yticks( )	设置当前Y轴刻度位置的文字和值
plt. clabel( )	设置等高线数据
plt. get_figlabels( )	返回当前绘图区域的标签列表
plt. figtext( )	为全局绘图区域添加文本信息
plt. title( )	设置标题
plt. suptitle( )	设置总标题
plt. annotate( )	为文本添加注释

注意：均可通过help()命令查看API，用到什么查什么。

补充：

绘图接口有2种形式，分别是面向"当前"图的plt接口和面向对象接口，在这2种方式的相应接口中，多数接口名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的接口：

plt.axes()——fig.add_axes()plt.subplot()——fig.add_subplot()plt.GridSped()——fig.add_gridspec()plt.xlabel()——axes.set_xlabel()plt.ylabel()——axes.set_ylabel()plt.xlim()——axes.set_xlim()plt.ylim()——axes.set_ylim()plt.title()——axes.set_title()

对此，一方面两类接口虽然略有区别，但也还算有规律；另一方面，在面向对象绘图配置图例时，有更为便捷的设置图例接口axes.set()，其可以接收多种参数一次性完成所有配置，这也正是面向对象绘图的强大之处。

---

三、一些常用的基础API

1、解决中文乱码，防止方块化

plt.rcParams["font.sans-serif"]="SimHei"

2、解决负号不能正常显示的问题

plt.rcParams["axes.unicode_minus"]=False

3、在jupyter notebook上面显示图片

%matplotlib inline

4、作图使用svg格式显示更为清晰

%config InlineBackend.figure_format="svg"

5、设置画布

plt.figure() 创建一个全局绘图区域
参数：
num：设置图像编号
figsize：设置图像的宽度和高度，单位为英寸
facecolor：设置图像的背景颜色
dpi：设置绘图对象的分辨率
edgecplor：设置图像的边框颜色

6、创建子图

fig=plt.figure(）fig.add_subplot(3,2,2)   #3X2的第2个图形或者plt.subplot(3,2,2)    #3X2的第2个图形

---

四、绘图3步走

---

五、几种常用图表

下面将介绍几种较为常用的图表：柱状图、饼图、折线图、散点图、气泡图/云图、雷达图。

1、柱状图

柱状图也叫条形图，是一种以长方形的长度为变量来表达图形的统计报告图，它由一系列高度不等的纵向条纹表示数据分布的情况，用来比较两个或两个以上的数值。

它适用于二维数据集，并且该数据集只需要（或者说“只能”更准确一些）比较其中一个维度。实现比较的手段就是利用柱状体之间的高度差来反映数据差异，因为人的肉眼对于高度的辨识度是较高的。但是，当数据集的规模太过庞大时，柱状体太多也会在所难免的没有那么方便地进行比较了，所以柱状图一般只适用于中小规模的数据集。

柱状图实际上是用来表示分组（或离散）变量的可视化

API：

bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

参数	说明	类型
x	x坐标	int,float
height	条形的高度	int,float
width	宽度	0~1，默认0.8
botton	条形的起始位置	也是y轴的起始坐标
align	条形的中心位置	“center”,"edge"边缘
color	条形的颜色	“r",“b”,“g”,"#123465"，默认“b"
edgecolor	边框的颜色	同上
linewidth	边框的宽度	像素，默认无，int
tick_label	下标的标签	可以是元组类型的字符组合
log	y轴使用科学计算法表示	bool
orientation	是竖直条还是水平条	竖直：“vertical”，水平条：“horizontal”

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2plt.bar(x, a,  width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()

结果展示：

水平条形图

绘制方法一：使用plt.bar()
还用上的数据，参数orientation默认是’vertical’垂直，改为"horizontal"（水平）。
注意：
1、x的起始位置，水平条底部，以及长度的取值变化
2、添加标签的时候enumerate()函数遍历出的结果（自动加序号），以及text()函数的参数。

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal")
plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal")
plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")plt.legend()
plt.show()

结果展示：

绘制方法二：使用plt.barh()

barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

还用上的数据，参数orientation为"horizontal"（水平）。

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)total_width, n = 0.8, 3     # 有多少个类型，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8)
plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8)
plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8)
plt.legend()
plt.show()

结果展示：

---

2、折线图

在折线图中，我们通常更关注于每条折线的走势（或者说“更能看出数据的走向”，所以它适用于整体趋势比单个数据点更重要的二维数据集。而正因为它关心的是整体而非个别的点，所以当数据集的规模越大时，折线图所呈现的整体会更加的准确。每个数据集在折线图中仅表现为一条折线，这使得它可以同时承载多个数据集并提供比较。

API：

plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)

参数：

x，y：指定折线图的x轴/y轴的数据；linestyle：指定折线的类型，可以是实线、虚线、点虚线等，默认文实线；linewidth：指定折线的宽度marker：设置点的形状markersize：设置点的大小markeredgecolor：设置点的边框色markerfactcolor：设置点的填充色label：为折线图添加标签

常用的marker风格：

“+”：十字          “O”：圆圈“*”：星型          “s”：正方形“p”：五边形         “h”：六边形“d”：小菱形         “D”：钻石

常用的color风格：

“b”：blue蓝色            “g”：green绿色  “k”：黑色                “w”：white白色“r”：red红色             “y”：yellow黄色“c”：cyan青色            “m”：magenta品红

示例：

import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
x = np.arange(-2*np.pi,2*np.pi,0.01)
#x = np.arange(-2*np.pi,2*np.pi,0.01)
x1 = np.arange(-2*np.pi,2*np.pi,0.2)
y1 = np.sin(3*x1)/x1
y2 = np.sin(2*x)/x
y3 = np.sin(x)/x
plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle设置线的风格，marker设置点的风格
plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x")
plt.plot(x,y3,c='g',label="y3=sin(x)/x")
plt.legend()
plt.show()

结果展示：

---

3、饼图

饼图是一种经常被人们避免使用的图表，因为人眼对面积的辨识度没有像对高度那样那么高，所以利用面积去反映数据起不到很好的作用。但是，存在即合理，当我们想要去强调某个部分占整体的比重时，用饼图是再适合不过了。

饼图用于表示不同分类的占比情况，通过弧度大小来对比各种分类。饼图将一个圆饼按照分类的占比划分成多个区块，整个圆饼代表数据的总量，每个区块（圆弧）表示该分类占总体的比例大小。

API：

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

参数：

x：指定绘图的数据；explode：指定饼图某些部分的突出显示，即呈现爆炸式；labels：为饼图添加标签说明，类似于图例说明；colors：指定饼图的填充色；autopct：自动添加百分比显示，可以采用格式化的方法显示；pctdistance：设置百分比标签与圆心的距离；shadow：是否添加饼图的阴影效果；labeldistance：设置各扇形标签（图例）与圆心的距离；startangle：设置饼图的初始摆放角度；radius：设置饼图的半径大小；counterclock：是否让饼图按逆时针顺序呈现；wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等；textprops：设置饼图中文本的属性，如字体大小、颜色等；center：指定饼图的中心点位置，默认为原点frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置；

示例：

import matplotlib.pyplot as pltlabels = 'A', 'B', 'C', 'D'
fracs = [15, 30.55, 44.44, 10]
color = 'blue','red','yellow','green'
explode = [0, 0.1, 0, 0]  # 0.1 凸出这部分，
plt.pie(x=fracs,explode=explode, # 突出分裂的部分labels=labels, # 添加分类标签colors=color, # 设置饼图的自定义填充色autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数pctdistance=0.6,  # 设置百分比标签与圆心的距离labeldistance = 1.15, # 设置各标签与圆心的距离startangle = 180, # 设置饼图的初始角度radius = 1, # 设置饼图的半径counterclock = False, # 是否逆时针，这里设置为顺时针方向wedgeprops = {'linewidth': 1.3, 'edgecolor':'green'},# 设置饼图内外边界的属性值textprops = {'fontsize':15, 'color':'k'}, # 设置文本标签的属性值center = (0.5,0.5), # 设置饼图的原点frame = 0 )# 是否显示饼图的图框，这里设置显示
plt.show()

结果展示：

---

4、散点图

散点图在回归分析中的使用较多，他将序列显示为一组点。值点在图标表中的位置表示，类别由图表中的不同标记表示，所以散点图通常用于比较跨类别的聚合数据。

散点图正是用来寻找数据集维度间的相互关系的。如果数据集规模足够大并且维度间可能并不存在关系，我们依然可以通过散点图来总结数据点的分布模式，得到有用的信息。

API:

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

常用参数解释：

x，y：表示即将绘制散点图的数据点
s：是一个可选的参数。
c：表示的是颜色，也是一个可选项。
marker:表示的是标记的样式，默认的是'o'。
alpha：实数，0-1之间。

示例：

#导入必要的模块
import numpy as np
import matplotlib.pyplot as plt
#产生测试数据
x = np.arange(1,10)
y = x
fig = plt.figure()
ax1 = fig.add_subplot(111)
#设置标题
ax1.set_title('Scatter Plot')
#设置X轴标签
plt.xlabel('X')
#设置Y轴标签
plt.ylabel('Y')
#画散点图
ax1.scatter(x,y,c = 'r',marker = 'o')
#设置图标
plt.legend('x1')
#显示所画的图
plt.show()

结果展示：

---

5、气泡图/云图

气泡图是二维图表展示三维（或者四维）数据集的典范，通常被看做散点图的变种。它利用点的面积来表示第三维的数值。但是，前面提到过，人眼对面积的辨识度并不高，所以气泡图只能用于对第三维的展现不做精确要求的场景。

示例：

import numpy as np
import matplotlib.pyplot as pltx=np.random.rand(50)
y=np.random.rand(50)
colors=np.random.rand(50)   #颜色随机
area=(50*np.random.rand(50))**2   #散点的大小随机
fig=plt.figure(figsize=(10,5))plt.subplot(1,1,1)
plt.scatter(x,y,s=area,marker="o",c=colors)
#设置标题
plt.title("plot of scatter for x to y",fontdict={'fontsize':20,'color':'blue'},loc='center')
# 设置x轴和y轴的轴标题
plt.xlabel("x for x in range(50)",fontdict={'fontsize':10,'color':'blue'})
plt.ylabel("y for y in range(50)",fontdict={'fontsize':10,'color':'blue'})
# 添加图例
# plt.legend('xfory')
# 添加数字标签
for a,b in zip(x,y):plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={'fontsize':7,'color':'black'})
plt.xlim(0,1)  #x轴的坐标轴取值范围
# 给坐标A添加标注A（x10,y10）
plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15)
plt.show()

结果展示：

---

6、直方图

直方图又称质量分布图，是一种统计报告图。它由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据类型，用纵轴表示分布情况。

API：

hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

参数：

x：指定要绘制直方图的数据；bins：指定直方图条形的个数；range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值；normed：是否将直方图的频数转换成频率；weights：该参数可为每一个数据点设置权重；cumulative：是否需要计算累计频数或频率；bottom：可以为直方图的每个条形添加基准线，默认为0；histtype：指定直方图的类型，默认为bar，除此还有’barstacked’,‘step’, ‘stepfilled’；align：设置条形边界值的对其方式，默认为mid，除此还有’left’和’right’；orientation：设置直方图的摆放方向，默认为垂直方向；rwidth：设置直方图条形宽度的百分比；log：是否需要对绘图数据进行log变换；color：设置直方图的填充色；label：设置直方图的标签，可通过legend展示其图例；stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放；

示例：

#电影时长分布分析（直方图）
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlibplt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,127,115,60,121,115,60,60,60,119]plt.figure()
plt.hist(x,50,histtype='bar',label='电影时长',facecolor='red',alpha=0.75)
plt.title('电影时长分布分析')
plt.legend()
plt.show()

结果展示：

---

7、雷达图

雷达图可以用来表示多维（四维以上）的数据集，并且数据集的每个维度都必须是可以排序的。但它所能承载的数据点是非常有限的，当数据点过多时，并不利用数据点之间的比较。

示例：

import numpy as np
import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['KaiTi']  # 显示中文
results = [{"大学英语": 87, "高等数学": 79, "体育": 95, "计算机基础": 92, "程序设计": 85},{"大学英语": 80, "高等数学": 90, "体育": 91, "计算机基础": 85, "程序设计": 88}]
data_length = len(results[0])
# 将极坐标根据数据长度进行等分
angles = np.linspace(0, 2*np.pi, data_length, endpoint=False)
labels = [key for key in results[0].keys()]
score = [[v for v in result.values()] for result in results]
#为了使雷达图一圈封闭起来，需要下面的步骤
# 使雷达图数据封闭
score_a = np.concatenate((score[0], [score[0][0]]))
score_b = np.concatenate((score[1], [score[1][0]]))
angles = np.concatenate((angles, [angles[0]]))
labels = np.concatenate((labels, [labels[0]]))
# 设置图形的大小
fig = plt.figure(figsize=(8, 6), dpi=100)
# 新建一个子图 这里一定要设置为极坐标格式
ax = plt.subplot(111, polar=True)
# 绘制折线图 /绘制雷达图
ax.plot(angles, score_a, color='g')
ax.plot(angles, score_b, color='b')
#  添加每个特征的标签
ax.set_thetagrids(angles*180/np.pi, labels)
# 设置雷达图的0度起始位置
ax.set_theta_zero_location('N')
# 设置雷达图的坐标刻度范围
ax.set_rlim(0, 100)
# 设置雷达图的坐标值显示角度，相对于起始角度的偏移量
ax.set_rlabel_position(270)
ax.set_title("成绩情况分析")
plt.legend(["小明", "小红"], loc='best')
plt.show()

结果展示：

学习笔记——matplotlib学习相关推荐

1. Python基础知识学习笔记——Matplotlib绘图

   Python基础知识学习笔记--Matplotlib绘图 整理python笔记,以防忘记 文章目录 Python基础知识学习笔记--Matplotlib绘图 一.绘图和可视化 1.导入模块 2.一个简 ...

2. SilverLight学习笔记--进一步学习Isolated Storage独立存储一（理论篇）

   在"silverlight如何在客户端读取文件"以及"silverlight如何在客户端写入文件"两篇文章中我们初步接触了Isolated Storage概念. ...

3. Python3学习笔记之-学习基础（第三篇）

   Python3学习笔记之-学习基础(第三篇) 文章目录 目录 Python3学习笔记之-学习基础(第三篇) 文章目录 一.循环 1.for循环 2.while循环 3.break,continue 二 ...

4. 强化学习笔记-强化学习概述

   强化学习笔记-强化学习概述 机器学习分类 强化学习与监督学习的异同点 强化学习基本原理 强化学习解决的是什么样的问题 强化学习分类 请分别解释随机性策略和确定性策略 回报.值函数.行为值函数三个指标的 ...

5. python 坐标轴 单位刻度_Python学习笔记(matplotlib篇)--坐标轴刻度

   python学习笔记--坐标轴刻度 所用的库及环境: ide:pycharm python环境:python3.7 matplotlib:   matplotlib 1.11 numpy:  nump ...

6. 7月16日数据科学库学习笔记——matplotlib 绘制散点图、条形图、直方图

   文章目录 前言 一.绘制散点图 二.绘制条形图 1.纵向条形图 2.横向条形图 三.绘制分组条形图 四.绘制直方图 1.plt.hist 方法 2.plt.bar 方法绘制直方图 前言 本文为7月16 ...

7. 学习笔记 mysql_MySQL 学习笔记

   MySQL 学习笔记 1 定义 数据库中的表:一行叫一条记录.每一列叫一个属性,或一个字段. 主键:表中的某个特殊字段,具有唯一的确定的值,可以根据该字段唯一的确定一条记录 外键:表中的某个字段的值为 ...

8. cocos2d学习笔记2——学习资源

   1. 视频 找了好几个视频,有一些讲得好的文件资源没有,后来终于找到一个讲得不错还有文件资源的,还有高清下载地址,虽然是2.2版本的,但是确实能学到不少东西,对用cocos2d做游戏有了基本的印象,对 ...

9. lucene学习笔记_学习Lucene

   lucene学习笔记 我目前正在与一个团队合作,开始一个基于Lucene的新项目. 虽然大多数时候我会争论使用Solr还是Elasticsearch而不是简单的Lucene,但这是一个有意识的决定. ...

最新文章

1. 【题解】CF1070E Getting Deals Done（二分+思维）难度⭐⭐⭐
2. VIA笔试收集与解答
3. 线程池ThreadPool知识碎片和使用经验速记
4. Main函数参数argc，argv如何传入
5. hibernate one2one 唯一外键关联（双向关联）
6. neo4j-访问提示No authorization header supplied.
7. python月份字符串_python实现字符串和日期相互转换的方法
8. VMware ThinApp应用程序虚拟化工具
9. 制作数据分析报告的公开数据集资源
10. 线性回归的 拟合优度R^2 与 相关系数
11. 算数-02-史丰收算法
12. Javascript 如何实现继承?
13. matlab中format使用方法
14. 史上最强：NumPy 实现全部机器学习算法，代码超3万行！
15. error2448C语言,VS 报错 error C2448: “main”: 函数样式初始值设定项类似函数定义 问题的解决方法...
16. ros发布和订阅图像的压缩——高效图传(适用带宽不足问题)
17. 微信开发提示【防盗号或诈骗，请不要输入QQ密码】
18. HTML实战案例4：制作淘宝店铺列表页面
19. 江民公司网络版问题汇总三
20. 搭建在线版ps网站源码_无需数据库

热门文章

1. matlab 开 闭 代码,C++中的MATLAB函数〔闭锁〕
2. python getattr调用自己模块_在Python中通过getattr获取对象引用的方法
3. 数据挖掘流程（二）：数据预处理
4. 强化学习(十七) 基于模型的强化学习与Dyna算法框架
5. android 9patch 漏洞,Android 9patch 图片解析堆溢出漏洞分析(CVE-2015-1532)
6. access根据所属院系修改学号_五个access管理系统实用范例整合
7. 欢迎进入 K同学啊 的博客目录（全站式导航）
8. 二张图白话广告RTA技术
9. Spring Boot Actuator
10. 十二年 10 次 IT 大考 猪八戒网的系统架构和开发流程经历了什么？